ارزیابی عملکرد برخی مدل‌های آماری و محاسبات نرم در پیش‌بینی جریان رودخانه

نوع مقاله: یادداشت فنی (5 صفحه)

نویسندگان

1 دانشجوی کارشناسی ارشد/ مهندسی عمران آب دانشگاه رازی، کرمانشاه، ایران

2 استاد/ گروه مهندسی عمران دانشگاه رازی، کرمانشاه، ایران

3 کارشناس ارشد/ مهندسی عمران آب، دانشگاه رازی، کرمانشاه، ایران

چکیده

باتوجه به کاهش منابع آب به‌خصوص در کشور ایران، پیش‌بینی جریان رودخانه اهمیت زیادی یافته و لازم است از بهترین روش‌ها استفاده گردد. بدین منظور روش‌های خطی و غیرخطی زیادی وجود دارد. ازآنجایی‌که تشخیص خطی یا غیرخطی بودن دبی ماهانه دشوار است، در این پژوهش عملکرد برخی مدل‌های خطی و غیرخطی در پیش‌بینی جریان ماهانه‌ی رودخانه‌ی جامیشان واقع در استان کرمانشاه بررسی گردید. این مدل‌ها شامل مدل‌های خودهمبسته با میانگین متحرک تجمعی (ARIMA)، شبکه‌های عصبی مصنوعی (ANN) و سامانه‌ی استنتاج فازی مبتنی بر شبکه‌ی تطبیقی (ANFIS) می‌باشند. در استفاده از مدل ARIMA با درنظر گرفتن پنج پارامتر از هر نوع، تمامی مدل‌های ممکن بررسی گردید. برای مدل‌های ANN و ANFIS نیز با تعیین ۱۴ نوع ترکیب ورودی مختلف بهترین مدل‌ها شناسایی شد. قابلیت مدل‌های به‌دست‌آمده در پیش‌بینی جریان در درازمدت نیز سنجیده شد. نتایج بیانگر آن بود که مدل ANFIS توانایی بیشتری در شناسایی تأخیرهای زمانی مؤثر بر جریان نسبت به مدل ANN دارد. این مدل همچنین از دقت بیشتری نسبت به سایر مدل‌ها به‌خصوص در پیش‌بینی مقادیر حدی برخوردار است. برخلاف آن مدل ARIMA قابلیت بسیار بالایی در پیش‌بینی دبی‌های با مقادیر کم از خود نشان داد. بررسی‌ها بیانگر آن بود که از هر سه مدل می‌توان در درازمدت استفاده کرد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Performance evaluation of some statistical and soft computing models to predict river flow

نویسندگان [English]

  • H. Moeeni 1
  • H. Bonakdari 2
  • S. Abdolahi 3
1 MSc Student, Department of Civil Engineering, Razi University, Kermanshah, Iran
2 Professor, Department of Civil Engineering, Razi University, Kermanshah, Iran
3 Department of Civil Engineering, Razi University, Kermanshah, Iran
چکیده [English]

Regarding to the water resources reduction especially in Iran, the river flow forecasting has been very important and it is necessary to use the best methods. For this purpose, there are several linear and nonlinear methods. As monthly linearity and nonlinearity of inflow detection is difficult, in this study the performance of some linear and nonlinear models to predict the monthly flow of Jamishan river in Kermanshah province was investigated. These models include autoregressive integrated moving average (ARIMA), artificial neural networks (ANN) and adaptive neuro-fuzzy inference system (ANFIS). In using of ARIMA model with considering five parameters of any kind, all possible models were evaluated. For ANFIS and ANN models with determination of 14 different input combinations, the best models were identified. The capability of obtained models in the long-term time flow prediction was also assessed. The results revealed that ANFIS model is more capable compare to ANN in identification of effective time delays on flow. This model is also more accurate than other models in peak values prediction. Unlike it, ARIMA models showed high capability in prediction of low values. Studies indicated that all three models can be used for long-term time as well.

کلیدواژه‌ها [English]

  • Monthly inflow
  • prediction
  • Modeling
  • ARIMA
  • ANFIS
Brock W, Scheinkman JA, Dechert WD, LeBaron B (1996) A test for independence based on the correlation dimension. Econometric reviews 15:197-235

He Z, Wen X, Liu H, Du J (2014) A comparative study of artificial neural network, adaptive neuro fuzzy inference system and support vector machine for forecasting river flow in the semiarid mountain region. Journal of Hydrology 509:379-86

Hu CH, Wu ZN, Wang JJ, Liu L (2011) Application of the Support Vector Machine on precipitation-runoff modelling in Fenhe River. Water Resource and Environmental Protection (ISWREP), International Symposium on 2011, IEEE, 2:1099-103

Jarque CM, Bera AK (1980) Efficient tests for normality, homoscedasticity and serial independence of regression residuals. Economics letters 6:255-59

Khalili K, Ahmadi F, Dinpashoh Y, Behmanesh J (2014) Linear and nonlinear behavior analysis of hydrological time series (Case study: western rivers of lake Urmia). Iran-Water Resources Research 10(2):12-20 (In Persian)

Kholghi M, Ashrafzadeh A, Malmir M (2009)Monthly low-flow forecasting using a stochastic model and adaptive network based fuzzy inference system. Iran-Water Resources Research 5(2):16-26 (In Persian)

Kothari M, Gharde K (2015) Application of ANN and fuzzy logic algorithms for streamflow modelling of Savitri catchment. Journal of Earth System Science 124:933-43

Levenberg K (1944) A method for the solution of certain non–linear problems in least squares. Qu. Appl. Math. 2:164-168

McLeod A (1978) On the distribution of residual autocorrelations in Box-Jenkins models. Journal of the Royal Statistical Society Series B (Methodological):296-302

Salas JD, Delleur JW, Yevjevich V, Lane WL (1980) Applied modeling of hydrologic time series. Water Resources Publication, Littleton, Colorado, USA, 484p

Shapiro SS, Wilk MB (1965) An analysis of variance test for normality (complete samples). Biometrika:591-611

Turcotte DL (1997) Fractals and chaos in geology and geophysics. Cambridge university press, New York, USA, 403p

Valipour M (2015) Long‐term runoff study using SARIMA and ARIMA models in the United States. Meteorological Applications 22(3):592-598

Valipour M, Banihabib ME, Behbahani SMR (2012) Parameters estimate of autoregressive moving average and autoregressive integrated moving average models and compare their ability for inflow forecasting. J Math Stat 8:330-38

Wang J, Hu J, Ma K, Zhang Y (2015) A self-adaptive hybrid approach for wind speed forecasting. Renewable Energy 78:374-85

Wang W, Van Gelder PHAJM, Vrijling JK (2005) Long-memory in streamflow processes of the Yellow river. IWA International Conference on Water Economics, Statistics, and Finance, 2005:8-10

Zhang GP (2003) Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing 50:159-75